大型语言模型（LLM）的兴起，彻底改变了人工智能在科学领域的应用方式。LLM不再局限于静态预测，它们可以作为智能体，主动生成、完善和评估假设。本教程将系统地概述智能体人工智能如何加速科学发现进程，并结合基准测试、框架和应用方面的最新进展进行阐述。  传统机器学习擅长预测，但在假设驱动的发现方面却有所欠缺，而新颖性、可解释性和迭代推理在发现中至关重要。智能体人工智能的潜力就在于弥合这一差距。通过将发现过程构建为两个互补的阶段，我们重点阐述了人工智能如何在推动科学进步中发挥积极作用：假设生成——人工智能代理通过检索灵感、建立联系并根据其合理性对其进行排序来提出候选假设。反馈与改进——通过各种反馈信号（包括数据拟合、推理一致性、符号分解或基准性能）迭代地改进假设。  这一循环反映了人类科学家从最初的想法到完善的、可检验的假设的过程，但通过自动化推理和结构化的智能体工作流程加快了这一过程。